基于科学知识图谱的国内外人工智能领域研究热点、前沿与比较

陶于祥 汪书悦 袁野

摘 要：分别以“人工智能”“AI”为关键词，对中国知网CSSCI数据库和Web of Science SCI拓展期刊数据库进行检索，遴选出2008—2018年1 786、8 515篇文献作为研究样本，采用词频分析、聚类分析、时间演化分析等科学计量方法，借助CiteSpace可视化软件，综合梳理国内外人工智能领域研究的热点、发展脉络和演进历程。通过可视化图谱展示以及国外和国内对比分析，指出国内外发展差异，提出未来我国人工智能领域发展的相关建议。研究发现，国外主要围绕遗传算法、模糊粒子群优化算法等算法层面展开，而国内纯算法的研究较少;国外多将人工智能应用在金融和医疗中，国内则主要体现在教育、图书馆建设以及出版业中。未来研究应强调多学科整合，持续完善算法，加速人工智能应用落地并构建多层治理体系。

关键词：人工智能;CiteSpace;知识图谱;比较分析

基金项目：重庆市社会科学规划项目“全球价值链背景下重庆市人工智能产业重点发展领域与政策设计”（2019YBJJ041）;重庆市社会科学规划重点智库项目“中美贸易摩擦背景下重庆市大数据智能化产业发展应对策略研究”（2018ZDZK10）。

[中图分类号] F49 [文章编号] 1673-0186（2019）011-0089-012

[文献标识码] A     [DOI编码] 10.19631/j.cnki.css.2019.011.009

2019年5月，习近平总书记在国际人工智能与教育大会的贺信中指出人工智能是引领新一轮科技革命和产业变革的重要驱动力。人工智能领域的研究和发展至关重要，近年来学术界围绕人工智能涌现出诸多研究成果。从研究视角来看，吕文晶运用文献计量法对我国人工智能研究文献的时间分布、作者分布、主题分布和学科分布进行分析，并指出人工智能发展与创新交叉研究具有极大潜力[1];胡玉宁等运用TDA软件，利用文献统计分析、关键词共现分析的方法揭示国际人工智能研究热点[2];李悦等对世界人工智能领域相关研究进行统计分析，总结出人工智能领域的热点并预测未来发展方向[3];从研究主题来看，邱均平等对中外自然语言处理的发展进行对比分析[4];刘勇等则对人工智能在我国教育领域应用进行了可视化分析[5]。

目前我国人工智能相关研究整体处于何种阶段？表现出何种特点、何种演化方式与趋势？我国人工智能的研究和国外研究究竟有何异同？如何通过国内外研究对比分析为我国人工智能发展提出建议？现有研究主要从国内或者国际视角出发对人工智能相关研究进行梳理，未对比分析国内外研究存在的相同点及差异;聚焦于人工智能某一子领域，未从整体、全局视角对人工智能结构、热点等方面进行系统深入的研究;研究方法较为单一，未结合多种科学计量方法对文献大数据进行深入挖掘。但已有研究都为人工智能的发展奠定了一定基础。

基于此，本文筛选中国知网和Web of Science数据库中的数据，采用词频分析法、聚类分析法、时间演化分析法等科学计量方法，借助可视化软件，从整体学科视角出发综合梳理分析国内外人工智能领域研究的热点、发展脉络、演进历程，并通过国外、国内对比分析展示国内外研究热点、未来研究趋势的异同，以期为我国人工智能研究提供建议和参考。

一、研究设计

本文研究设计主要包括四个部分：研究工具及方法、数据来源、数据处理和总体特征。

（一）研究工具及方法

CiteSpace软件由美国德雷赛尔大学陈超美教授基于Java开发，主要用于科学文献数据计量分析、识别和显示科学发展新趋势和新动态[6]。本文利用CiteSpace软件提取人工智能研究领域关键词、绘制学科共现图谱、突现词图谱以及时间线图。

词频分析法。本文使用词频分析法提取人工智能文献信息中的关键词，通过关键词的高低分布，来研究该领域发展动向和研究热点。

聚類分析法。聚类分析是一组将研究对象分为相对同质群组的统计分析技术。同一个聚类中的对象有很大的相似性，而不同聚类间的对象有很大的相异性。本文选择CiteSpace中的LLR（潜语义索引算法）算法进行聚类。

时间演化分析法。时间线视图侧重于勾画聚类之间的关系和某个聚类中文献的历史跨度，能清晰反映某一特定聚类研究的兴起、繁荣及衰落过程，利用CiteSpace绘制人工智能研究时间线视图（timeline view），可用于分析人工智能领域的研究热点和趋势[7]。

（二）数据来源

分别使用中国知网和Web of Science进行文献检索。在中国知网进行文献检索时，选择高级检索功能，检索式为“主题=人工智能，时间=2008—2018年，精准匹配，文献类型=期刊，期刊来源=CSSCI”，检索出文献2 237篇，经过手动筛选，剔除会议纪要、编辑寄语、人物访谈等冗余信息，最终得到文献1 786篇作为研究样本;在Web of Science进行文献检索时，以检索式“（TS=（Artificial Intelligence））AND语种：（English）AND文献类型：（Article）”索引=SCI-EXPANDED，时间跨度=2008—2018进行检索，最终得到文献8 515篇作为研究样本。

（三）数据处理

中国知网：由于中国知网单次最多导出500篇文献，故将所选择的1 786篇文献分4次以Refworks格式导出，导出的内容包括：文献的标题、摘要、关键词、作者等关键信息，以download_XX为文件名保存文档。且中国知网下载的数据不能直接使用CiteSpace进行分析，故利用CiteSpace转换功能对数据格式进行转换。

Web of Science：单次最多导出500篇文献，故将所选择的8 515篇文献分18次以纯文本格式导出，导出内容选择“全记录并包含所引用的参考文献”，以download_XX为文件名保存文档。

数据处理是可视化分析中十分重要的一环，本研究在数据处理时邀请国内人工智能领域专家对CiteSpace提取的关键词进行处理，包括无效关键词剔除、相似关键词合并。

（四）总体特征

发文总量。根据人工智能领域相关文献的年度总发文量分布统计图（图1），可形成对人工智能研究领域的初步认知。

2008—2018年间，人工智能研究领域相关文献量逐年增加，呈稳步上升趋势;从发文量增长率来看，各年发文量增长率均大于零，发文量持续增长，年均增长率为20.94%，且不同年份间波动较大。特别是2016年恰逢“人工智能60周年”，人工智能研究领域发文量激增，增长率高达22.78%。2016年以来，人工智能研究领域文献规模和影响力均极大提升，此后两年人工智能领域受关注程度保持高增长态势，发文量持续高增长，到2018年发文增长率为74.31%，达到阶段性顶峰，人工智能研究步入繁荣时代。

学科分布。使用Excel绘制国内人工智能研究领域学科分布图（图2），从相关研究的学科分类来看，目前国内相关研究主要集中于信息科技和社会科技领域，哲学与人文科学、经济与管理科学、基础科学、工程科技等领域均有涉及，目前国内人工智能研究涵盖领域较为单一。

学科共现。将Web of Science数据导入CiteSpace并建立相应数据工程，选取2008—2018年且以一年为时间切片，选取节点类型（Node Type）为学科（Category），绘制领域学科共现图谱（图3）。国际上人工智能研究主要涉及COMPUTER SCIENCE（计算机科学）与ENGINEERING（工程学）相关学科，也时常涉及OPERATIONS RESEARCH & MANAGEMENT SCIENCE（运筹学与管理科学）、ENERGY & FUELS（能源与燃料）、MATHEMATICS（数学）、MATERIALS SCIENCE（材料科学）、NVIRONMENTAL SCIENCES & ECOLOGY（环境科学与生态学）及AUTOMATION & CONTROL SYSTEMS（自动化—控制系统）等学科。其中计算机科学下的分支学科——交叉应用、信息系统、理论与方法、软件工程在人工智能领域中联系较为紧密;工程学下的分支学科——土木工程、电子电气工程运用在人工智能领域中联系密切。基于以上分析，可以看出人工智能研究是一个多学科交叉性学术研究领域，它包含了计算机学、数学、基础科学、管理学和经济学等诸多学科的特点，借用多学科的交叉理论来研究人工智能问题已成为主要趋势，同时也符合该研究领域进一步发展的需要。

二、国内人工智能研究热点及前沿探析

研究热点是指某个领域中学者共同关注的一个或者多个话题，可结合研究主题的词频分析[6]，研究前沿是指正在兴起的理论趋势和新主题的涌现，在利用CiteSpace分析时，可从文献题目、摘要等部分提取的突发性术语来进行解读。

（一）研究热点主题

将CNKI来源数据导入CiteSpace中进行词频统计，生成关键词列表，为排除无效关键词的干扰，邀请国内人工智能领域专家学者对提取的关键词进行处理，包括无效关键词剔除、相似关键词合并。剔除“新时代”“发展”“科幻”“作者”等无效关键词;将“教育信息化”“智慧教育”“智能教育”“教育人工智能”合并为“教育信息化”;“智能图书馆”和“智慧图书馆”合并为“智慧图书馆”。最终整理出关键词词频表，本文仅列出部分关键词（表1），基于高频关键词及相关文献对国内人工智能研究热点进行剖析。

国内人工智能研究高频关键词汇总表结果表明：在人工智能研究领域，“大数据”“机器人”“语义网络”“教育信息化”“深度学习”“机器学习”等得到较多关注;其次是“智能机器人”“图书馆”“算法”“虚拟现实”“信息技术”“互联网”等。研究热点内容可以整理归纳为两个方面：其一，人工智能理论领域，国内研究关注大数据、语义网络、深度学习、机器学习、算法、信息技术、互联网和区块链;其二，人工智能应用领域，国内关于人工智能的应用体现在智慧教育、智慧图书馆、新媒体、法律和出版业。

（二）研究前沿与路径

将CNKI数据导入CiteSpace并建立相应数据工程，选取2008—2018年且以一年为时间切片，选取节点类型（Node Type）为关键词（Keyword），但生成的网络图较为密集，网络裁剪功能可以通过对保留重要的连线来提高网络可读性[6]，本文选取最小生成树法（MST）对网络进行裁剪，得到原始关键词共现网络，绘制我国人工智能研究领域的时间线图，并使用Excel将时间线图转换为表2。

在时间线视图中，相同聚类的文献被放置在同一水平线上，聚类中文献越多代表所聚类的领域越重要[6]。图形右侧的聚类标签显示为9类，包括学习、语义网络、法律、教育信息化2.0、出版业、区块链、深度学习、媒体融合、虚拟现实和自我意识，尽管聚类之间存在相互交叉，表明聚类并不完全准确，但也在一定程度上幫助解读我国人工智能研究热点与前沿。研究时长方面，法律、教育信息化2.0及出版业等研究主题持续时间最长，长达十年;学习、语义网络、区块链、媒体融合及自我意识等研究主题持续时长次之;虚拟现实研究时长仅持续2017年一年，而深度学习则从2016年开始引起国内学界关注，至今已持续两年，未来将会被持续关注。研究内容方面，国内人工智能研究可大致分为理论领域和应用领域。在人工智能理论领域方面，国内研究主要关注语义网络、自然语言处理、知识工程、神经网络、语言模型、图灵测试等人工智能子领域;在人工智能应用领域方面，国内研究聚焦于教育和出版业领域，教育领域相关研究包含教育信息化、机器人教育、线上学习等，出版业领域研究包含智能出版流程再造以及新闻出版业智能机器人运用等。

三、国际人工智能研究热点及前沿探析

通过剖析高频关键词识别国际人工智能研究热点，根据关键词突现图谱分4个时间段阐释国际人工智能研究前沿。

（一）研究热点主题

关键词（Key words）是指能反映论著的主题和中心内容的名词术语或词组，当某一关键词在同一领域文献出现频率较高，该词就能反映这一领域的研究热点与研究动向。利用CiteSpace软件， 通过对Web of Science来源数据进行关键词词频统计，生成关键词列表，并邀请人工智能领域专家学者对提取的关键词进行处理，包括无效关键词剔除、相似关键词合并。如将“artificial intelligence （ai）”“artificial intelligence”合并为“artificial intelligence”;将“recognition”“pattern recognition”合并为“pattern recognition”;将“ANN”“artificial neural network”合并为“artificial neural network”;将“modeling”“model”合并为“model”等，最终整理出关键词频次表，本文仅列出排名前35位的关键词（表3）。

国际人工智能研究文献中出现频率最高的前十位关键词有：artificial intelligence（人工智能），neural network（神经网络），system（系统），artificial neural network（人工神经网络），model（模型），algorithm（算法），prediction（预测），optimization（优化），genetic algorithm（遗传算法），classification（分类）。其中国际人工智能研究热点领域包括人工神经网络、机器学习、模糊智能、数据挖掘、深度学习，特别是深度学习提出后，人工神经网络重新成为最强大的机器学习算法之一，也成为人工智能研究领域的热点话题，值得学界高度关注;人工智能研究的热门算法包括粒子群优化算法、遗传算法、人工蜂群;人工智能研究的热点方法及应用包括预测、优化、建模、分类、设计、模拟、鉴定、识别、管理、搜索、诊断等。

（二）研究前沿与路径

将Web of Science数据导入CiteSpace并建立相应数据工程，选取2008—2018年且以一年为时间切片，选取节点类型（Node Type）为关键词（Keyword），阈值设置为Top30，使用突现词探测（Citation Burst）算法，抽取突现强度排名前16位的关键词，得出人工智能领域的突现词图谱（图4）。在CiteSpace中某聚类包含的突发节点越多，该领域越活跃，能代表该领域的新兴趋势。

2008—2009开始出现的突现词为data mining（数据挖掘）、knowledge（知识）、expert system（专家系统）、decision support system （决策支持系统）和case-based reasoning（案例推论）。米歇尔·妮可（Michelle Nicole）等利用数据挖掘等相关技术对忧郁患者进行情感预测，识别患者相关心理状态[8]。关于专家系统的研究，有学者在自动船舶导航系统、可再生MG（微电网）系统、实际金融应用系统中通过对专家系统、神经网络以及混合系统的性能、效率进行对比来展开研究[9-10]。在对决策支持系统的研究中，有学者将其运用在金融风险管理的信用风险分析以及医学等临床决策、不确定性推理等领域[11-12]，其中贤哲安（Ahn）将案例推论运用在企业破产模型的研究中，并尝试建立更高效的预测模型[13]。

2009—2011年开始出现的突现词包括logic（逻辑）和management（管理）。该时期，人工智能的逻辑和管理成了研究热点，如塔博（Tabor）构建了一种基于遗传编码的边缘检测算法，其模型的遗传逻辑有助于更复杂的生物行为的工程设计[14]，安德烈·雷蒙托夫（Lermontov， Andre）通过基于模糊逻辑的模糊水质指数（FWQI）创建新的水质指标，并将水质指数用作环境管理决策的替代工具[15]。

2011—2013年开始出现的突现词有search（搜索）、geneticalgorithm（遗传算法）、selection（选择）、swarm intelligence（集群智能）和diagnosis（诊断）。这一时期，对于搜索、遗传算法、选择、集群智能、诊断的研究成为热点，值得注意的是关于搜索和选择的热点持续时间分别为六年和五年，研究持续时间较长。其中奥雷斯基（Oreski）提出了一种先进的新型启发式算法——神经网络混合遗传算法（HGA-NN），勇于识别最优特征子集，提高信用风险评估的分类精度和可扩展性[16]。阿凯（Akay）通过研究群体智能中蜂群算法的修改版本，有效地解决了实际参数优化问题[17]。贾峰（Jia）通过使用深度神经网络从测量信号中自适应地挖掘出可用的故障特征，对旋转机械进行智能诊断，这种方法提高了现有的诊断精度[18]。

2013年后开始出现的突现词有：timeseries（时间序列）、framework（框架）、differential evolution（差分进化）和artificial bee colony（人工蜂群算法）。这一时期学者重点关注了時间序列、框架、差分进化和人工蜂群算法的研究。苏阿里（Soualhi）通过运用数据驱动和基于经验的滚子轴承PHM方法对轴承进行故障检测，提高了原有方法的检测精度，该方法常运用于军事、航空、航天、核能等领域中[19]。在差分进化和人工蜂群的研究中，王晖（Wang）对传统人工蜂群算法进行优化研究，其结果优于或相等于其他成熟进化算法[20];张俊（Zhang）在研究中引入人工蜂群（ABC）算法用于簇几何的全局优化而该方法可能成为化学家研究集群的有用工具[21]。

四、国内外对比分析

通过分析包含高频和高突现性关键词的文献，将国内外研究热点按理论领域和应用领域两个层面进行整理总结，如表4所示。

（一）理论领域的对比

在理论研究方面，国内外研究侧重点不同，机器学习、神经网络是国内外共同关注的话题。国外侧重算法研究，不仅包含粒子群算法、遗传算法、蚁群算法等主流算法，同时不断改进和优化算法。目前我国研究中关于纯算法研究却较少，涉及算法种类不多，且忽视在实际运用中对算法进行优化。同时，深度学习算法概念首次提出是在2006年，而国内关于深度学习的研究集中在最近两年，起步晚于国外。

国内理论领域研究热点主要集中在大数据、语义网络、深度学习、机器学习、算法、信息技术、互联网、神经网络和区块链等方面。赛迪顾问指出，深度学习算法突破、互联网时代海量数据的爆发、计算能力提升以及计算成本不断下降三大因素助推人工智能重获新生[22]。基于此，语义网络、深度学习、机器学习也一直是国内外研究关注的热点话题。党的十九大报告提出：“推动互联网、大数据、人工智能和实体经济深度融合。”在我国全面实施国家大数据战略、建设数字中国的大背景下，我国人工智能领域研究热点还集中在大数据、信息技术、互联网、区块链等主题上，这对我国发展十分必要。同时，我国拥有全球最多的互联网用户、最活跃的数据生产主体，在数据总量上具有一定优势，为大数据研究提供了良好的条件。

国际人工智能理论领域出现了artificial neural network（人工神经网络）、model（模型）、algorithm（算法）、prediction（预测）、genetic algorithm（遗传算法）、classification（分类）、support vector machine（支持向量机）、performance（性能）、machine learning（机器学习）、particle swarm optimization（粒子群优化算法）、fuzzy logic（模糊逻辑）、swarm intelligence（群体智能）等关键词，国外人工智能理论领域的研究趋势也着重于对人工智能技术的革新，其中“人工神经网络”“群体智能”“遗传算法”为当前国外人工智能理论研究领域的热点主题。

（二）应用领域的对比

由于人工智能所处的发展阶段不同，国内与国际上关于人工智能应用领域有较大差异。从国内的研究成果来看，以人工智能在教育业、出版业、图书馆建设的应用现状、发展趋势为主要研究内容;国际上则将人工智能在金融风险管理的信用风险分析以及医学等临床决策、不确定性推理等领域的运用为主要研究对象，同时注重在实际应用系统中对系统的性能、效率进行研究。

國内应用领域的研究多关注教育信息化、智能机器人、智慧图书馆、媒体融合、法律、出版业等主题。教育是社会发展的基石，我国一直以来十分重视教育，将人工智能与教育结合将大大提升教育质量，同时智慧图书馆也成了热门话题，例如研究人工智能分支在图书馆信息检索、编目、分类、选书、采购、订阅、流通、参考咨询等方面的应用[23]。但现有研究中对人工智能在金融以及环境治理等方面涉及较少，这与我国所处的发展阶段有关，目前我国正处在经济高速发展向高质量发展的转型阶段，随着经济发展进程不断推进，人工智能在金融领域的运用也将成为我国人工智能未来发展的方向。同时，潘云鹤院士指出中国人工智能发展的重点方向包含跨媒体融合、智能城市、智能制造、智能社区、智能经济、数字图书馆等。

在国际人工智能应用领域，导航系统、实际金融应用系统、医学临床决策、环境监测、机器故障检测成为应用热点。这符合国外发展现状，国外发达国家经济高速发展，但经济快速发展的同时也带来一系列环境问题，导致国外研究关注点一方面聚焦于利用人工智能与金融应用系统的结合检测、预测企业财务状况，另一方面则落在环境治理上。例如将人工智能与环境监测结合，通过计算模型预防水质、气质灾害，为大气、水污染治理提供科学依据。国外也十分注重保障国家安全，例如将人工智能与导航系统结合，能有效减轻相关航海和观通站的负担，提供决策辅助，其中基于知识的航行专家系统能为未来航海提供更高的容错率、智能化程度[24]。同时，国外医疗发展相对较为成熟，将人工智能与医学临床决策结合可以实现临床观察与临床知识无缝连接，并能够提升临床决策效率与品质，改善临床结果。

五、结论与建议

本文使用科学计量方法对2008—2018年中国知网CSSCI数据库和Web of Science SCI拓展期刊数据库中与人工智能相关的文献进行梳理，总结出几点结论和建议，以期为人工智能相关领域研究提供新思路。

（一）研究结论

使用科学计量方法，借助CiteSpace软件，对中国知网和Web of Science数据库中2008—2018年有关人工智能的文献数据进行分析解读以及可视化图谱展示，构建了时间分布图谱、研究领域学科分布图、突现图谱、演进图谱，分析得出以下结论。

时间分布图谱表明：人工智能研究领域相关文献量呈稳步增长趋势，特别是2016年以来人工智能研究文献规模和影响力均极大提升，受关注度近年来呈持续高增长态势。

研究领域学科分布图表明：人工智能研究是一个多学科交叉性学术研究领域，它包含了计算机学、数学、基础科学、管理学和经济学等诸多学科的特点，借用多学科的交叉理论来研究人工智能问题已成为主要趋势。

突现图谱表明：国际上的研究聚焦于人工智能理论领域和应用领域，理论领域关注不同算法研究及系统优化，而将人工智能运用在金融和医疗领域是应用领域的热点。

时间线图谱表明：国内关于人工智能在教育、出版业应用是持续时间最长的热点，而对于深度学习相关研究近两年才出现，深度学习研究对人工智能发展具有极其深远的影响，是未来研究中极具潜力的方向，同时智能金融也具有不容小觑的发展前景。

（二）研究建议

我国人工智能发展近年来呈快速追赶的态势，且在特定領域开始显现出竞争实力，部分指标与美国站在同一起跑线上，尽管如此我国与国外仍存在较大差异，因此本文从以下几个方面提出建议。

第一，多学科交叉融合，重视基础科学。人工智能突破性发展不仅限于逻辑思维，还需考虑形象思维、灵感思维等，需借助多学科交叉理论，尤其重视基础科学研究。

第二，持续完善算法，不断提升计算能力。加快发展新一代人工智能是我国赢得全球科技竞争主动权的重要战略抓手，算法和计算力是人工智能发展的强大驱动力，未来国内应加快推进算法等关键领域的基础研究，力求技术突破并不断提升计算能力，力争全球科技竞争主动权。

第三，加快推动人工智能的应用场景落地。国内研究大多将人工智能运用于教育、出版业等领域，而运用人工智能进行金融行业风险分析等较少。人工智能已由弱人工智能时代进入强人工智能时代，未来研究应深入把握人工智能发展的特点，加强人工智能与产业发展融合，特别是加强人工智能在医疗卫生、体育、住房、交通、助残养老、家政服务等领域的深度应用，推动人工智能深度运用，为我国高质量发展提供新动力。

第四，构筑人工智能多层治理体系。近年来随着数据量上涨、计算机运算力的提升以及深度学习算法的出现，人工智能得到快速发展，国内外研究大多关注深度学习、自然语言处理、知识工程、遗传算法等算法层，并将人工智能与教育、出版业、患者情感预测以及金融决策支持等融合，却较少关注人工智能治理，一定程度上忽视了人工智能潜在的负面影响。未来应关注人工智能发展中引发的社会问题，如社会劳动力替代等问题，充分预估人工智能的负面影响和冲击，构筑人工智能多层治理体系，驱动新一代人工智能不断健康发展。

参考文献

[1]  吕文晶，徐丽，刘进，等.中国人工智能研究的十年回顾——基于2008—2017年间文献计量和知识图谱分析[J].技术经济，2018（10）：73-78+116.

[2]  胡玉宁，丁明，曹高芳.新世纪国际人工智能研究领域可视化分析[J].中华医学图书情报杂志，2013（10）：8-13.

[3]  李悦，苏成，贾佳，等.基于科学计量的世界人工智能领域发展状况分析[J].计算机科学，2017（12）：183-187.

[4]  邱均平，方国平.基于知识图谱的中外自然语言处理研究的对比分析[J].现代图书情报技术，2014（12）：51-61.

[5]  刘勇，生晓婷，李青.人工智能在我国教育领域应用的可视化分析[J].现代教育技术，2018（10）：27-34.

[6]  李杰，陈超美.CiteSpace：科技文本挖掘及可视化第二版[M].北京：首都经济贸易大学出版社，2017：88-89.

[7]  陈悦，陈超美，刘则渊，等.CiteSpace知识图谱的方法论功能[J].科学学研究，2015（02）：242-253.

[8]  Burns M N ，Begale M ， Duffecy J ， et al. Harnessing Context Sensing to Develop a Mobile Intervention for Depression[J]. Journal of Medical Internet Research，2011，13（3）：e55.

[9]  Thomas S ， Gareth H ， Mcdonald M K. Autonomous Ship Collision Avoidance Navigation Concepts，Technologies and Techniques[J]. The journal of Navigation，2008，61（1）：129-142.

[10]  Bahrammirzaee A. A comparative survey of artificial intelligence applications in finance： artificial neural networks， expert system and hybrid intelligent systems[J]. Neural Computing & Applications， 2010，19（8）：1165-1195.

[11]  Yu L ， Wang S ， Lai K K . An intelligent-agent-based fuzzy group decision making model for financial multicriteria decision support：The case of credit scoring[J]. European Journal of Operational Research，2009，195（3）：942-959.

[12]  Patel V L ，Shortliffe E H ， Stefanelli M ， et al. The coming of age of artificial intelligence in medicine[J]. Artificial Intelligence in Medicine，2009，46（1）：5-17D.

[13]  HyunchulAhn，Kyoung-jae Kim.Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach[J]. Applied Soft Computing，2009，9（12）：599-607.

[14]  Jeffrey J. Tabor，Howard M. Salis，Zachary Booth Simpson， et al A Synthetic Genetic Edge Detection Program[J]. Cell，2009，137（7）： 1272-1281.

[15]  André Lermontov， Lídia Yokoyama， Lermontov M ， et al. River quality analysis using fuzzy water quality index： Ribeira do Iguape river watershed， Brazil[J]. Ecological Indicators，2009，9（6）：1188-1197.

[16]  OreskiS ，Oreski G . Genetic algorithm-based heuristic for feature selection in credit risk assessment[J]. Expert Systems with Applications，2013，41（4）：2052-2064.

[17]  AkayB ，Karaboga D . A modified Artificial Bee Colony algorithm for real-parameter optimization[J]. Information Sciences， 2012， 192（1）：120-142.

[18]  Jia F ， Lei Y ， Lin J ， et al. Deep neural networks： A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data[J]. Mechanical Systems and Signal Processing，2016，72-73：303-315.

[19]  SoualhiA ，Razik H ， Clerc G ， et al. Prognosis of Bearing Failures Using Hidden Markov Models and the Adaptive Neuro-Fuzzy Inference System[J]. IEEE Transactions on Industrial Electronics，2014，61（6）：2864-2874.

[20]  Wang H ， Wu Z ， Rahnamayan S ， et al.  Multi-strategy ensemble artificial bee colony algorithm[J]. Information Sciences，2014，279：587-603.

[21]  Zhang J，Dolg M. ABCluster：the artificial bee colony algorithm for cluster global optimization[J]. Physical Chemistry Chemical Physics，2015，17（37）：24173-24181.

[22]  賽迪顾问.中美人工智能市场的概况与对比[J].电子产品世界，2017（7）：20-23.

[23]  傅平，邹小筑，吴丹，等.回顾与展望：人工智能在图书馆的应用[J].图书情报知识，2018（2）：50-60.

[24]  周永余，陈永冰，李文魁.21世纪初舰船组合导航系统的发展趋势[J].海军工程大学学报，2002（6）：46-51.

Abstract：Using the scientific measurement methods such as word frequency analysis， cluster analysis， time evolution analysis， and CiteSpace visualization software， the keywords "Artificial Intelligence" and "AI" were used to select 2008-2018 China Knowledge Network CSSCI Journal and Web of Science SCI Development Journal. The literature data comprehensively combs the hotspots， development context and evolution of international and domestic artificial intelligence research. Through visual map display and foreign and domestic comparative analysis， it points out the development differences at home and abroad， and puts forward relevant suggestions for the development of artificial intelligence in China in the future. The study found that foreign countries mainly focus on genetic algorithms， neural networks， fuzzy particle swarm optimization algorithms and other algorithms， while domestic pure algorithms are less studied; Artificial intelligence is mostly used in finance and medical treatment abroad， while in China it is mainly embodied in education， library construction and publishing industry. Future research should emphasize multi-disciplinary integration， continue to improve the algorithm， accelerate the application of artificial intelligence and build a multi-level governance system.

Key Words： Artificial intelligence; CiteSpace; Knowledge mapping; Comparative analysis

（责任编辑：易晓艳）